Niezrównoważone dane pandy

1. Jak naprawić niezrównoważone dane?
2. Jak sprawdzić, czy zestaw danych jest niezrównoważony w Pythonie?
3. Jakie jest najlepsze podejście do obsługi niezrównoważonego zestawu danych?

Jak naprawić niezrównoważone dane?

Losowe nadpróbkowanie jest najprostszą techniką próbkowania do zrównoważenia niezrównoważonego charakteru zestawu danych. Równoważy dane, replikując próbki klas mniejszościowych. Nie powoduje to żadnej utraty informacji, ale zestaw danych podlega nadmiernemu dopasowaniu, ponieważ te same informacje są kopiowane.

Jak sprawdzić, czy zestaw danych jest niezrównoważony w Pythonie?

W prostych słowach musisz sprawdzić, czy istnieje nierównowaga w klasach obecnych w zmiennej docelowej. Jeśli sprawdzisz stosunek między śmiercią_event = 1 a death_event = 0, jest to 2: 1, co oznacza, że ​​nasz zestaw danych jest niezrównoważony. Aby zrównoważyć, możemy przewyższyć lub podkreślić dane.

Jakie jest najlepsze podejście do obsługi niezrównoważonego zestawu danych?

Powszechnie przyjęta i być może najprostsza metoda radzenia sobie z wysoce równoważonymi zestawami danych nazywa się ponownym próbkowaniem. Polega na usunięciu próbek z klasy większościowej (niedostateczne próbkowanie) i/lub dodania kolejnych przykładów z klasy mniejszościowej (nadmierne próbkowanie).